منهجية تطوير مستمرة لأنظمة ML ديناميكية متعددة المهام ذات حجم كبير

تعتمد الطريقة التقليدية لتعلم الآلة (ML) على تقسيم عملية التطوير والتجريب إلى تكرارات منفصلة، حيث يتم استخدام التغذية الراجعة الناتجة لتوجيه قرارات التصميم أو الضبط. تتميز هذه الطريقة بعدة عيوب في الكفاءة والقابلية للتوسع، مثل استهلاك موارد كبيرة في إنشاء نماذج تجريبية متعددة لا تسهم في الوصول إلى الحل النهائي. يعتمد العمل المقدم على الفكرة القائلة بأن تعريف نماذج تعلم الآلة ككائنات قابلة للتعديل والتعميم يتيح إدخال طريقة جديدة في تطوير تعلم الآلة، تسمح بدمج عدة تكرارات للتصميم والتقييم في عملية مستمرة لتعزيز نظام ذكي غير محدود. نحن نُعرّف طريقة جديدة لإنشاء نماذج تعلم آلة ديناميكية متعددة المهام كسلسلة من التوسعات والعموميات. ونبدأ بتحليل قدرات الطريقة المقترحة باستخدام منهجية التقييم التجريبي القياسية لتعلم الآلة. وأخيرًا، نقترح منهجية تطوير مستمرة جديدة تسمح بتوسيع نظام مسبق لتعلم الآلة متعدد المهام على نطاق واسع بشكل ديناميكي، مع تحليل خصائص التوسعات المطروحة في هذه الطريقة. ويؤدي ذلك إلى إنشاء نموذج لتعلم الآلة قادر على حل 124 مهمة تصنيف صور بشكل متزامن، بجودة تصل إلى مستوى الحد الأقصى المعاصر، مع تحسين في الحجم وتكاليف الحوسبة.